כאמור, מודל הנתונים ב-Power BI בנוי על מבנה טבלאי מובהק – כלומר, הנתונים מאורגנים בטבלאות נפרדות, כאשר כל טבלה מייצגת ישות עסקית או תהליך. טבלאות אלה מקושרות ביניהן בקשרים לוגיים וביחד יוצרות את התשתית הדרושה לניתוחים מדויקים, חישובים עסקיים ופילוחים אינטראקטיביים.
מקורות אפשריים לטבלאות במודל
ב־Power BI ניתן להוסיף טבלאות למודל הנתונים בשתי דרכים עיקריות:
- טעינה משאילתות (Power Query)
כל שאילתה שנבנית ב-Power Query ונבחרה לטעינה, יוצרת טבלה נפרדת במודל הנתונים. זו הדרך המרכזית להכניס נתונים ממקורות חיצוניים – קבצים, מסדי נתונים, שירותים בענן ועוד – לאחר שעברו שלב של עיבוד, ניקוי וסידור. - יצירת טבלאות מחושבות (Calculated Tables)
ניתן גם ליצור טבלאות ישירות בתוך המודל באמצעות שפת .DAX טבלאות אלו אינן מגיעות ממקור חיצוני אלא מחושבות על בסיס טבלאות קיימות. לדוגמה: טבלת סיכום של מכירות לפי אזור, או טבלת טווחי ערכים מחושבים.
שתי השיטות מאפשרות גמישות רבה בהקמת המודל וניתן לשלב ביניהן באותו פרויקט.
סוגי טבלאות במודל
טבלאות נתונים (Fact Tables)
טבלאות אלו מתארות את האירועים הכמותיים של הארגון כמו עסקאות מכירה, משלוחים, תשלומים, ביקורים ועוד.
מאפיינים עיקריים:
- שורות רבות, כל אחת מייצגת טרנזקציה.
- עמודות עם ערכים מדידים (כמו סכום, כמות, זמן).
- מזהים (IDs) לקישור לטבלאות אחרות.
- מקורן לרוב בשאילתה טעונה מPower Query-, אך ניתן גם לחשב אותן.
טבלאות נתונים מכילות שני סוגים של שדות:
- שדות שמודדים את התהליך (כמות מכירות, סכום מכירות, כמות תקלות וכד')
- שדות מפתח, שנותנים משמעות לשדות המדידה. שדות אלה הינם מזהים של ישויות עסקיות, כגון מזהה לקוח, מזהה מוצר, מזהה סניף, מזהה תאריך וכדומה. שדות אלה אינם בעלי משמעות בפני עצמם, אך הם משמשים לחיבור טבלת הנתונים לטבלאות הקשר (Dimensions) המתארות את הישויות הרלוונטיות.
- ללא שדות הקשר אין משמעות לנתוני המדידה וללא נתוני מדידה אין משמעות לנתוני ההקשר. רק הצירוף של שדות המדידה עם נתוני ההקשר מייצרים טבלה בעלת משמעות שניתן לנתח אותה.
- ב-Power BI, שדות ההקשר מכילים שדות מפתח המכילים מזהי רשומה בטבלאות אחרות, המרחיבות את נתוני ההקשר של ישויות התהליך (ראה להלן טבלאות מימד).
טבלאות קשר / מימד (Dimension Tables)
טבלאות המכילות מידע תיאורי על ישויות כמו לקוחות, מוצרים, סניפים, עובדים, תאריכים ועוד. טבלאות אלה יכולות לשמור מידע רב על כל ישות תהליכית או עסקית.
מאפיינים עיקריים:
- כל שורה מייצגת ערך ייחודי בקטגוריה כלשהי.
- מידע טקסטואלי ותיאורי: שמות, קטגוריות, קבוצות, אזורים.
- משמשות לפילוח, סינון וניתוח של טבלאות הנתונים.
- מקורן יכול להיות משאילתה, או מטבלה מחושבת (למשל טבלת תאריכים מותאמת).
קשרים בין טבלאות (Relationships)
העוצמה של מודל הנתונים נובעת מהיכולת לחבר בין טבלאות בצורה לוגית. קשרים אלה מגדירים כיצד מידע בטבלה אחת משפיע על תוצאות בטבלה אחרת.
לדוגמה: קשר בין טבלת "לקוחות" (CustomerID) לבין טבלת "הזמנות" שבה כל הזמנה מקושרת ללקוח מסוים.
הצורך במבנה טבלאות מבדל – מדידה מול קשר
יכול לשאול הקורא למה שני סוגים של טבלאות? מדוע לא טבלה אחת?
שילוב של כל המידע (כמותי ותיאורי) בטבלה אחת מוביל לבעיות רבות:
- חזרתיות מיותרת: כאשר טבלת מכירות כוללת את שם המוצר, שם הקטגוריה, שם הסניף, שם הלקוח ותאריך – כל שורה כוללת את כל הפרטים שוב ושוב. זה מוביל לנפח נתונים גדול, בזבוז זיכרון והאטה בביצועים.
- קושי בתחזוקה: אם שם סניף משתנה – צריך לעדכן את כל ההופעות שלו בטבלת העובדות. לעומת זאת, בטבלת קשר מספיק לעדכן שורה אחת בלבד.
- סיכון לטעויות אנליטיות: שילוב טבלאות על בסיס עמודות טקסטואליות או מקודדות באופן חלקי מעלה את הסיכון לחיבורים שגויים, כפילויות, או שורות "יתומות" שלא מתחברות.
- מגבלות בניתוח רב-ממדי
כאשר כל הנתונים נמצאים בטבלה אחת, קשה לבנות היררכיות (למשל: מוצר ← קטגוריה ← מחלקה), קשה לבצע פילוחים מדויקים וחישובים מתקדמים כמו Time Intelligence (לדוגמה, מכירות חודש שעבר) כמעט בלתי אפשריים.
יתרונות הגישה המודולרית
הפרדה בין טבלאות מדידה לטבלאות קשר ויצירת קשרים בניהם מאפשרות את היתרונות הבאים:
- שיפור ביצועים – פחות כפילויות, חישובים מהירים יותר.
- גמישות בפילוח – ניתן לסנן ולנתח מדדים לפי ממדים רבים (זמן, לקוח, מוצר, אזור).
- קוהרנטיות במידע – הנתונים אחידים ומרוכזים.
- יכולת ניהול – תחזוקה פשוטה יותר של קטגוריות ותכונות.
- תמיכה מובנית של – Power BI שפת ,DAX פונקציות Time Intelligence ודוחות ויזואליים מתבססים על מבנה זה.
לסיכום, הפרדה בין טבלאות מדידה לטבלאות קשר אינה רק עניין של ארגון – זה הוא עיקרון יסוד של מודל נתונים אפקטיבי. השימוש במבנה זה מבטיח יעילות, יציבות, יכולת ניתוח מתקדמת והבנה ברורה של המידע העסקי. בניגוד לטבלה שטוחה אחת שמרכזת הכול – המודל המובנה מאפשר לגדול, להתפתח ולשמר דיוק ותובנה עסקית.
יצירת קשרים בין טבלאות במודל הנתונים
כאשר עובדים עם מספר טבלאות ב-Power BI, יש צורך לחבר ביניהן בקשרים לוגיים – כדי לאפשר לדוח להבין כיצד ישויות שונות (כמו לקוח, מוצר, תאריך) מתקשרות לנתוני המדידה (כמו מכירות, הזמנות, תשלומים). יצירת הקשרים היא שלב מרכזי בהקמת מודל נתונים נכון ואפקטיבי.
עיקרון יסוד: הקשרים מפיצים סינונים
המטרה העיקרית של קשרים בין טבלאות היא להפיץ סינונים .(Filter Propagation)
מה זה אומר?
כאשר המשתמש בוחר ערך מסוים בדוח – לדוגמה "קטגוריית מוצר = משקאות" – הבחירה הזו יוצרת סינון על טבלת הקשר (במקרה זה טבלת "מוצרים").
הקשר בין "מוצרים" ל"מכירות" גורם לכך שהסינון הזה "עובר" גם לטבלת המכירות – כך שבדוח יוצגו רק המכירות של מוצרים מקטגורית "משקאות".
זהו העיקרון של הפצת סינון: סינון שמבוצע בטבלה אחת (לרוב טבלת קשר), עובר דרך הקשר ומשפיע על טבלאות אחרות (לרוב טבלאות נתונים).
הקשרים הם המסלול שדרכו הסינונים מתפשטים במודל.
איך יוצרים קשר בין טבלאות
קשר בין טבלאות מוגדר ע"י שלושה משתנים:
- מהם שדות הקשר (שדה מפתח בטבלת המדידה ושדה מפתח בטבלת ההקשר).
- מה כיוון הקשר – לרוב כיוון הקשר יהיה מטבלת ההקשר לטבלת המדידה. יש תרחישים נדירים בהם נרצה להקים קשר דו כיווני. נדרשת זהירות בהגדרת קשר דו כיווני משום שעלול לייצר תוצאות לא צפויות.
- מה סוג הקשר – יחיד (טבלת ההקשר) לרבים (טבלת המדידה), יחיד ליחיד, או רבים לרבים. לקוראי שורות אלה ההמלצה היא חד משמעית להשתמש תמיד בקשר יחיד לרבים. שימוש בסוגי הקשרים האחרים חורגים מתכולת מדריך זה.
יצירת וניהול קשרים מבוצע באמצעות המסך הבא:
במסך נבחר את טבלת המדידה כטבלה העליונה ואת טבלת ההקשר כטבלה התחתונה.
בנוסף, ניתן להגדיר קשר כלא פעיל באמצעות ביטול סימון "פעיל" בתיבת הסימום בפינה השמאלית תחתונה של המסך.
יצירה ידנית
- עבור לתצוגת המודל .(Model View)
- גרור שדה מזהה מטבלה אחת אל שדה תואם בטבלה השנייה.
- Power BI ייפתח המסך הנ"ל ליצירת קשר – אשר את הפרטים או התאם אותם.
ניהול קשרים
לצפייה ועריכה של כל הקשרים במודל:
- עבור ללשונית Modeling ולחץ על Manage Relationships.
- בחלון שמתקבל ניתן להוסיף, לערוך או למחוק קשרים, וכן לראות את סוג הקשר וכיוון הסינון שלו.
קשרים במודל הנתונים של Power BI אינם רק "חוטים" בין טבלאות – הם מנגנון מרכזי להפצת סינונים. כל בחירה של המשתמש (כמו מוצר, לקוח, תאריך) הופכת לסינון שעובר דרך הקשרים ומשפיע על כלל הנתונים במודל. בנייה נכונה של קשרים מבטיחה שהניתוח יהיה מדויק, גמיש ואינטואיטיבי – גם כשמדובר בכמות גדולה של טבלאות ונתונים.
מודל כוכב לעומת מודל פתית שלג – מה ההבדל?
בעת תכנון מודל נתונים ב-.Power BI חשוב להבין את ההבדל בין שתי גישות מבניות נפוצות :מודל כוכב ומודל פתית שלג. ההבדל ביניהן משפיע על הביצועים, הפשטות והיכולת להבין ולתחזק את המודל.
מודל כוכב (Star Schema)
מודל כוכב הוא המבנה המומלץ ביותר ב-Power BI במודל זה:
- טבלת העובדות (Fact Table) ממוקמת במרכז.
- מסביבה נמצאות טבלאות הקשר (Dimensions) שכל אחת מהן מחוברת ישירות לטבלת העובדות.
- כל טבלת קשר מכילה את כל המידע הדרוש על הישות (למשל – בטבלת "מוצרים": גם שם מוצר, גם קטגוריה, גם מותג).
יתרונות
- מבנה פשוט, ברור וקל לתחזוקה.
- נוח לניתוח – המשתמש רואה טבלה אחת לכל ישות.
- ביצועים טובים יותר (פחות קשרים, פחות טבלאות).
חסרונות
- ייתכן שכמה ערכים (כמו שמות קטגוריות) יחזרו על עצמם בטבלאות שונות.
- חוסר בנירמול עלול לגרום לשכפול נתונים.
מודל פתית שלג (Snowflake Schema)
במודל פתית שלג, טבלאות הקשר עצמן מנורמלות – כלומר מפוצלות לתת־טבלאות נוספות.
לדוגמה:
במקום שטבלת "מוצרים" תכלול את שם הקטגוריה, תהיה טבלת "מוצרים" שכוללת רק את מזהה הקטגוריה וזו תקושר לטבלת "קטגוריות" נפרדת.
יתרונות
- מבנה נתונים מנורמל, חוסך חזרות מיותרות.
- מתאים למודלים מורכבים עם הרבה שכבות היררכיה.
חסרונות
- מודל מסובך יותר להבנה ולתחזוקה.
- דורש יותר קשרים – מה שעלול לפגוע בביצועים.
- פחות ידידותי למשתמשים ולבניית דוחות.
מודל כוכב שם את הפשטות והביצועים במרכז, ומתאים לרוב המקרים העסקיים ב-Power BI.
מודל פתית שלג מתאים למצבים מיוחדים, שבהם נדרשת נרמול גבוה של הנתונים.
ב-Power BI, ההמלצה הברורה היא לבנות מודלים בפורמט של כוכב כדי להבטיח עבודה יציבה, מובנת ויעילה.
